- 恶劣天气条件下激光雷达点云的标签高效语义分割
该论文提出了一种标签效率的方法，通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点，并利用半监督学习方法生成伪标签，从而显著增加训练数据量，同时还在训练过程中整合了好的天气数据，从而在良好和恶劣天气条件下均能取得高性能。在真 - 使用综合梯度的对抗性三维虚拟补丁
通过使用虚拟补丁的对象隐藏策略，在减少所需欺骗区域的可行性方面进行研究，设计了一种名为 Saliency-LiDAR（SALL）的框架，可使用积分梯度确定 LiDAR 对象的关键区域，并且在平均车辆上，与基线相比，CVPs 能够以大约 50 - 并行 LiDAR 对话：基于 3D 视觉基础的人 - 激光雷达交互方法
为了赋予激光雷达系统认知能力，我们在并行激光雷达中引入了三维视觉对接任务，并提出了一种新颖的激光雷达人机交互范式。我们提出了 Talk2LiDAR，一个针对自动驾驶中三维视觉对接的大规模基准数据集，以及一种名为 BEVGrounding 的 - GroundGrid:LiDAR 点云地面分割和地形估计
本文介绍了一种基于 2D 高程图的地形估计和点云地面分割系统 GroundGrid，并利用 SemanticKITTI 数据集和航空 LiDAR 扫描进行了性能评估，结果显示 GroundGrid 在维持高运行速度的同时，优于其他现有系统， - 点云压缩框架：智能交通系统中路侧激光雷达的点云压缩
面向道路激光雷达的点云压缩方法 PointCompress3D，实现了高效的数据存储、流媒体传输和实时物体检测，优化了压缩性能并保持与原始数据的准确性和兼容性。
- DeepMIF：大规模 LiDAR 3D 地图的深度单调隐式场
通过使用 LiDAR 传感器进行 3D 环境感知，本文提出了一种基于神经隐式表示和可优化特征网格的学习方法，通过优化非度量单调隐式场，实现了高质量的密集 3D 建图。
- AutoInst: LiDAR 3D 扫描的自动实例分割
通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准 - CR3DT：相机 - 雷达融合用于三维检测与跟踪
自动驾驶中，识别和追踪周围物体是必不可少的。本论文提出了一种相机 - 雷达融合模型用于三维物体检测和多目标追踪，通过合并雷达传感器的空间和速度信息，实现了检测和追踪能力的大幅提升。
- 地图辅助架座检测的标注
本文介绍了使用高清地图上的 2D 杆状特征对图像进行自动标注，并利用附加的激光雷达传感器对遮挡特征进行过滤，并演示了如何训练物体探测器来检测杆状特征。在自动生成的数据和手动标注的数据的比较中，我们验证了该方法的有效性。
- 从图像中预测长距离自主越野导航的高程地图
基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。
- 生态应用中的 LiDAR 数据采集和处理
采集生态数据，使用低成本 TLS、激光雷达传感器和数据处理机制，通过密度变化直方图计算植被结构复杂度指标，并与现场数据一致。
- 通过超参数调整改进 ONCE 基准
这项研究聚焦于半监督学习方法在点云数据中的评估，以应对自动驾驶、机器人技术和增强现实等领域对 3D 物体检测的不断增长需求。结果表明，单纯的超参数调整与监督模型的结合能够在 ONCE 数据集上达到最先进的性能，而未标注数据对模型改进的贡献似 - 城市自主驾驶的多激光雷达定位和建图流程
利用 LiDAR 传感器，提出了一种基于传感器融合的离线地图构建和在线定位算法，可以实现高准确性的实时自主导航，并为自动驾驶应用提供了稳健而灵活的环境。
- 分析三方会谈中典型和自闭症个体头部方向
我们提出了一个使用两个 LiDAR 传感器的低分辨率点云数据来估计人们身体和头部方向的系统。我们的模型可以在现实世界的对话环境中准确估计被试在自然状态下以不同的头部和身体姿势进行移动。我们的系统利用椭圆拟合和几何特征提取与神经网络回归器集成 - 面向多雨条件下的鲁棒三维物体检测
通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的 - 解决图像 - LiDAR 融合中的数据错位问题对点云分割
我们关注多传感器融合模型在自动驾驶中的性能提升，但在摄像头和激光雷达传感器数据融合方面仍存在挑战，主要问题是数据的准确对齐。本文针对 nuScenes 数据集和 2DPASS 融合模型的最新研究，提出可能的解决方案和潜在改进。
- 针对三维物体检测的基于语义感知的仅激光雷达伪点云生成
通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种 - MM从三维点云中估计自我运动和动态运动分离，以积累数据并改善三维物体检测
通过应用自运动估计和动态运动校正方法提高了目标检测性能。
- RCM-Fusion：雷达 - 相机多级融合的三维物体检测
本文提出了雷达 - 相机多层融合（RCM-Fusion）方法，通过特征级和实例级融合方法充分利用雷达信息，实验结果在公开的 NuScenes 数据集上表明我们的方法在 NuScenes 三维物体检测基准上取得了最先进的性能，检测分数（NDS - 使用卷积变换器的能量模型进行跨模态定位
使用基于能量的模型框架对非 GPS 地面车辆进行定位，并结合激光雷达传感器和卫星图像进行跨模态测量级定位的方法，实验结果表明其在 KITTI、Pandaset 和自定义数据集上的表现优于现有最优解的方法。